Усечь текст, содержащий HTML, игнорируя теги

Я хочу усечь некоторый текст (загруженный из базы данных или текстового файла), но он содержит HTML, поэтому в результате теги включены и будет возвращено меньше текста. Это может привести к тому, что теги не закрываются или частично закрываются (поэтому Tidy может работать неправильно, и еще меньше контента). Как я могу усечь на основе текста (и, вероятно, остановиться, когда вы доберетесь до таблицы, поскольку это может вызвать более сложные проблемы).

substr("Hello, my <strong>name</strong> is <em>Sam</em>. I&acute;m a web developer.",0,26)."..."

приведет в:

Hello, my <strong>name</st...

чего бы я хотел, так это:

Hello, my <strong>name</strong> is <em>Sam</em>. I&acute;m...

как я могу это сделать?

хотя мой вопрос заключается в том, как это сделать в PHP, было бы хорошо знать, как это сделать в C#... либо должно быть хорошо, поскольку я думаю, что смогу перенести метод (если это не встроенный метод).

Также обратите внимание, что я включил в HTML &acute; - который должен рассматриваться как один символ (а не 7 символов, как в этом образец.)

strip_tags является резервным вариантом, но я потеряю форматирование и ссылки, и у него все равно будет проблема с объектами HTML.

32
html markup php string

13 ответов

предполагая, что вы используете допустимый XHTML, просто проанализировать HTML и убедиться, что теги обрабатываются правильно. Вам просто нужно отслеживать, какие теги были открыты до сих пор, и обязательно закрыть их снова "на выходе".

<?php
header('Content-type: text/plain; charset=utf-8');

function printTruncated($maxLength, $html, $isUtf8=true)
{
    $printedLength = 0;
    $position = 0;
    $tags = array();

    // For UTF-8, we need to count multibyte sequences as one character.
    $re = $isUtf8
        ? '{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;|[\x80-\xFF][\x80-\xBF]*}'
        : '{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}';

    while ($printedLength < $maxLength && preg_match($re, $html, $match, PREG_OFFSET_CAPTURE, $position))
    {
        list($tag, $tagPosition) = $match[0];

        // Print text leading up to the tag.
        $str = substr($html, $position, $tagPosition - $position);
        if ($printedLength + strlen($str) > $maxLength)
        {
            print(substr($str, 0, $maxLength - $printedLength));
            $printedLength = $maxLength;
            break;
        }

        print($str);
        $printedLength += strlen($str);
        if ($printedLength >= $maxLength) break;

        if ($tag[0] == '&' || ord($tag) >= 0x80)
        {
            // Pass the entity or UTF-8 multibyte sequence through unchanged.
            print($tag);
            $printedLength++;
        }
        else
        {
            // Handle the tag.
            $tagName = $match[1][0];
            if ($tag[1] == '/')
            {
                // This is a closing tag.

                $openingTag = array_pop($tags);
                assert($openingTag == $tagName); // check that tags are properly nested.

                print($tag);
            }
            else if ($tag[strlen($tag) - 2] == '/')
            {
                // Self-closing tag.
                print($tag);
            }
            else
            {
                // Opening tag.
                print($tag);
                $tags[] = $tagName;
            }
        }

        // Continue after the tag.
        $position = $tagPosition + strlen($tag);
    }

    // Print any remaining text.
    if ($printedLength < $maxLength && $position < strlen($html))
        print(substr($html, $position, $maxLength - $printedLength));

    // Close any open tags.
    while (!empty($tags))
        printf('</%s>', array_pop($tags));
}


printTruncated(10, '<b>&lt;Hello&gt;</b> <img src="world.png" alt="" /> world!'); print("\n");

printTruncated(10, '<table><tr><td>Heck, </td><td>throw</td></tr><tr><td>in a</td><td>table</td></tr></table>'); print("\n");

printTruncated(10, "<em><b>Hello</b>&#20;w\xC3\xB8rld!</em>"); print("\n");

кодировка Примечание: приведенный выше код предполагает, что XHTML является UTF-8 закодирован. ASCII-совместимые однобайтовые кодировки (например,латинский-1) также поддерживаются, просто pass false в качестве третьего аргумента. Другие многобайтовые кодировки не поддерживаются, хотя вы можете взломать поддержку с помощью mb_convert_encoding преобразовать в UTF-8 перед вызовом функции, а затем снова преобразовать в каждый print заявление.

(вы должны всегда используйте UTF-8, однако.)

редактировать: обновлено для обработки символьных сущностей и UTF-8. Исправлена ошибка, когда функция будет печатать один символ слишком много, если этот символ был сущностью символа.

42

Я хорошая функция Найти http://alanwhipple.com/2011/05/25/php-truncate-string-preserving-html-tags-words, видимо, взят из в CakePHP

5

100% точный, но довольно сложный подход:

  1. итерация символов с помощью DOM
  2. используйте методы DOM для удаления оставшихся элементов
  3. сериализовать DOM

легкий подход грубой силы:

  1. разделить строку на теги (не элементы) и текстовые фрагменты с помощью preg_split('/(<tag>)/') с PREG_DELIM_CAPTURE.
  2. Измерьте длину текста, которую вы хотите (это будет каждый второй элемент из split, вы можете использовать html_entity_decode() чтобы помочь точно измерить)
  3. обрежьте строку (обрезать &[^\s;]+$ в конце, чтобы избавиться от возможно рубленое лицо)
  4. исправить это с помощью HTML Tidy
4

Я написал функцию, которая усекает HTML так же, как вы предлагаете, но вместо того, чтобы печатать ее, она просто сохраняет все это в строковой переменной. также обрабатывает HTML-объекты. 

 /**
     *  function to truncate and then clean up end of the HTML,
     *  truncates by counting characters outside of HTML tags
     *  
     *  @author alex lockwood, alex dot lockwood at websightdesign
     *  
     *  @param string $str the string to truncate
     *  @param int $len the number of characters
     *  @param string $end the end string for truncation
     *  @return string $truncated_html
     *  
     *  **/
        public static function truncateHTML($str, $len, $end = '&hellip;'){
            //find all tags
            $tagPattern = '/(<\/?)([\w]*)(\s*[^>]*)>?|&[\w#]+;/i';  //match html tags and entities
            preg_match_all($tagPattern, $str, $matches, PREG_OFFSET_CAPTURE | PREG_SET_ORDER );
            //WSDDebug::dump($matches); exit; 
            $i =0;
            //loop through each found tag that is within the $len, add those characters to the len,
            //also track open and closed tags
            // $matches[$i][0] = the whole tag string  --the only applicable field for html enitities  
            // IF its not matching an &htmlentity; the following apply
            // $matches[$i][1] = the start of the tag either '<' or '</'  
            // $matches[$i][2] = the tag name
            // $matches[$i][3] = the end of the tag
            //$matces[$i][$j][0] = the string
            //$matces[$i][$j][1] = the str offest

            while($matches[$i][0][1] < $len && !empty($matches[$i])){

                $len = $len + strlen($matches[$i][0][0]);
                if(substr($matches[$i][0][0],0,1) == '&' )
                    $len = $len-1;


                //if $matches[$i][2] is undefined then its an html entity, want to ignore those for tag counting
                //ignore empty/singleton tags for tag counting
                if(!empty($matches[$i][2][0]) && !in_array($matches[$i][2][0],array('br','img','hr', 'input', 'param', 'link'))){
                    //double check 
                    if(substr($matches[$i][3][0],-1) !='/' && substr($matches[$i][1][0],-1) !='/')
                        $openTags[] = $matches[$i][2][0];
                    elseif(end($openTags) == $matches[$i][2][0]){
                        array_pop($openTags);
                    }else{
                        $warnings[] = "html has some tags mismatched in it:  $str";
                    }
                }


                $i++;

            }

            $closeTags = '';

            if (!empty($openTags)){
                $openTags = array_reverse($openTags);
                foreach ($openTags as $t){
                    $closeTagString .="</".$t . ">"; 
                }
            }

            if(strlen($str)>$len){
                // Finds the last space from the string new length
                $lastWord = strpos($str, ' ', $len);
                if ($lastWord) {
                    //truncate with new len last word
                    $str = substr($str, 0, $lastWord);
                    //finds last character
                    $last_character = (substr($str, -1, 1));
                    //add the end text
                    $truncated_html = ($last_character == '.' ? $str : ($last_character == ',' ? substr($str, 0, -1) : $str) . $end);
                }
                //restore any open tags
                $truncated_html .= $closeTagString;


            }else
            $truncated_html = $str;


            return $truncated_html; 
        }
4

может использовать DomDocument в этом случае с неприятным regex hack, худшее, что произойдет, это предупреждение, если есть сломанный тег:

$dom = new DOMDocument();
$dom->loadHTML(substr("Hello, my <strong>name</strong> is <em>Sam</em>. I&acute;m a web developer.",0,26));
$html = preg_replace("/\<\/?(body|html|p)>/", "", $dom->saveHTML());
echo $html;

надо дать выход : Hello, my <strong>**name**</strong>.

2

отказов добавил поддержку мультибайтных символов Сорену решение Løvborg это - я добавил:

  • поддержка непарных HTML-тегов (например,<hr>, <br> <col> etc. не закрывайтесь-в HTML '/' не требуется в конце этих (in для XHTML, хотя)),
  • настраиваемый индикатор усечения (по умолчанию &hellips; т. е. ... ),
  • возврат в виде строки без использования выходного буфера и
  • модульные тесты с 100% охват.

все это накладка.

2

можно использовать порядок а также:

function truncate_html($html, $max_length) {   
  return tidy_repair_string(substr($html, 0, $max_length),
     array('wrap' => 0, 'show-body-only' => TRUE), 'utf8'); 
}
2

ниже приведен простой анализатор состояния машины, который успешно обрабатывает тестовый случай. Я терпит неудачу на вложенных тегах, хотя, поскольку он не отслеживает сами теги. Я также подавляется сущностями в тегах HTML (например, в href-атрибут <a> - tag). Поэтому его нельзя считать 100% - ным решением этой проблемы, но поскольку его легко понять, он может стать основой для более продвинутой функции.

function substr_html($string, $length)
{
    $count = 0;
    /*
     * $state = 0 - normal text
     * $state = 1 - in HTML tag
     * $state = 2 - in HTML entity
     */
    $state = 0;    
    for ($i = 0; $i < strlen($string); $i++) {
        $char = $string[$i];
        if ($char == '<') {
            $state = 1;
        } else if ($char == '&') {
            $state = 2;
            $count++;
        } else if ($char == ';') {
            $state = 0;
        } else if ($char == '>') {
            $state = 0;
        } else if ($state === 0) {
            $count++;
        }

        if ($count === $length) {
            return substr($string, 0, $i + 1);
        }
    }
    return $string;
}
1

Я сделал свет изменения Северин Løvborg printTruncated функция делая им UTF-8 совместимое:

   /* Truncate HTML, close opened tags
    *
    * @param int, maxlength of the string
    * @param string, html       
    * @return $html
    */  
    function html_truncate($maxLength, $html){

        mb_internal_encoding("UTF-8");

        $printedLength = 0;
        $position = 0;
        $tags = array();

        ob_start();

        while ($printedLength < $maxLength && preg_match('{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}', $html, $match, PREG_OFFSET_CAPTURE, $position)){

            list($tag, $tagPosition) = $match[0];

            // Print text leading up to the tag.
            $str = mb_strcut($html, $position, $tagPosition - $position);

            if ($printedLength + mb_strlen($str) > $maxLength){
                print(mb_strcut($str, 0, $maxLength - $printedLength));
                $printedLength = $maxLength;
                break;
            }

            print($str);
            $printedLength += mb_strlen($str);

            if ($tag[0] == '&'){
                // Handle the entity.
                print($tag);
                $printedLength++;
            }
            else{
                // Handle the tag.
                $tagName = $match[1][0];
                if ($tag[1] == '/'){
                    // This is a closing tag.

                    $openingTag = array_pop($tags);
                    assert($openingTag == $tagName); // check that tags are properly nested.

                    print($tag);
                }
                else if ($tag[mb_strlen($tag) - 2] == '/'){
                    // Self-closing tag.
                    print($tag);
                }
                else{
                    // Opening tag.
                    print($tag);
                    $tags[] = $tagName;
                }
            }

            // Continue after the tag.
            $position = $tagPosition + mb_strlen($tag);
        }

        // Print any remaining text.
        if ($printedLength < $maxLength && $position < mb_strlen($html))
            print(mb_strcut($html, $position, $maxLength - $printedLength));

        // Close any open tags.
        while (!empty($tags))
             printf('</%s>', array_pop($tags));


        $bufferOuput = ob_get_contents();

        ob_end_clean();         

        $html = $bufferOuput;   

        return $html;   

    }
1

другой свет меняется на функцию Søren Løvborg printTruncated, что делает ее UTF-8 (нужна mbstring) совместимой и делает ее возвращаемой строкой, а не печатной. Я думаю, это более полезно. И мой код не использует буферизацию, как вариант Bounce, просто еще одну переменную.

UPD: чтобы он работал правильно с символами utf-8 в атрибутах тегов, вам нужна функция mb_preg_match, перечисленная ниже.

большое спасибо Сорену Løvborg для этой функции, это очень хорошо.

/* Truncate HTML, close opened tags
*
* @param int, maxlength of the string
* @param string, html       
* @return $html
*/

function htmlTruncate($maxLength, $html)
{
    mb_internal_encoding("UTF-8");
    $printedLength = 0;
    $position = 0;
    $tags = array();
    $out = "";

    while ($printedLength < $maxLength && mb_preg_match('{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}', $html, $match, PREG_OFFSET_CAPTURE, $position))
    {
        list($tag, $tagPosition) = $match[0];

        // Print text leading up to the tag.
        $str = mb_substr($html, $position, $tagPosition - $position);
        if ($printedLength + mb_strlen($str) > $maxLength)
        {
            $out .= mb_substr($str, 0, $maxLength - $printedLength);
            $printedLength = $maxLength;
            break;
        }

        $out .= $str;
        $printedLength += mb_strlen($str);

        if ($tag[0] == '&')
        {
            // Handle the entity.
            $out .= $tag;
            $printedLength++;
        }
        else
        {
            // Handle the tag.
            $tagName = $match[1][0];
            if ($tag[1] == '/')
            {
                // This is a closing tag.

                $openingTag = array_pop($tags);
                assert($openingTag == $tagName); // check that tags are properly nested.

                $out .= $tag;
            }
            else if ($tag[mb_strlen($tag) - 2] == '/')
            {
                // Self-closing tag.
                $out .= $tag;
            }
            else
            {
                // Opening tag.
                $out .= $tag;
                $tags[] = $tagName;
            }
        }

        // Continue after the tag.
        $position = $tagPosition + mb_strlen($tag);
    }

    // Print any remaining text.
    if ($printedLength < $maxLength && $position < mb_strlen($html))
        $out .= mb_substr($html, $position, $maxLength - $printedLength);

    // Close any open tags.
    while (!empty($tags))
        $out .= sprintf('</%s>', array_pop($tags));

    return $out;
}

function mb_preg_match(
    $ps_pattern,
    $ps_subject,
    &$pa_matches,
    $pn_flags = 0,
    $pn_offset = 0,
    $ps_encoding = NULL
) {
    // WARNING! - All this function does is to correct offsets, nothing else:
    //(code is independent of PREG_PATTER_ORDER / PREG_SET_ORDER)

    if (is_null($ps_encoding)) $ps_encoding = mb_internal_encoding();

    $pn_offset = strlen(mb_substr($ps_subject, 0, $pn_offset, $ps_encoding));
    $ret = preg_match($ps_pattern, $ps_subject, $pa_matches, $pn_flags, $pn_offset);

    if ($ret && ($pn_flags & PREG_OFFSET_CAPTURE))
        foreach($pa_matches as &$ha_match) {
                $ha_match[1] = mb_strlen(substr($ps_subject, 0, $ha_match[1]), $ps_encoding);
        }

    return $ret;
}
1

на CakePHP framework имеет функцию усечения HTML () в TextHelper, которая работает для меня. См.Основные Помощники / Текст. лицензия mit.

1

Это очень сложно сделать без использования валидатора и парсера, причина в том, что представьте, если у вас есть

<div id='x'>
    <div id='y'>
        <h1>Heading</h1>
        500 
        lines 
        of 
        html
        ...
        etc
        ...
    </div>
</div>

Как вы планируете усечь это и получить действительный HTML?

после короткого поиска я нашел этой ссылке что может помочь.

0

использование функции truncateHTML() от: https://github.com/jlgrall/truncateHTML

пример: усечь после 9 символов, включая многоточие:

truncateHTML(9, "<p><b>A</b> red ball.</p>", ['wholeWord' => false]);
// =>           "<p><b>A</b> red ba…</p>"

характеристики: UTF-8, конфигурируемый эллипсис, включает / исключает длину эллипсиса, самозакрывающиеся теги, сворачивающиеся пространства, невидимые элементы (<head>, <script>, <noscript>, <style>, <!-- comments -->), HTML $entities;, усекая наконец все слово (с возможностью все еще усечь очень длинные слова), PHP 5.6 и 7.0+, 240+ модульные тесты, возвращает строку (не использует выходной буфер) и хорошо прокомментированный код.

я написал эту функцию, потому что мне очень понравился Северин Løvborgфункция выше (особенно, как он управлял кодировками), но мне нужно было немного больше функциональности и гибкости.

0